تشخیص واکنش های نامطلوب دارویی در شبکه های اجتماعی
 | این مقاله نیازمند بررسی توسط متخصص است. مشکل ذکرشده چنین است: نیاز به ویرایش فنی و تصحیح عنوان مقاله دارد و محتمل است، با این موضوع مقالهای در ویکیفا باشد. (2020-08-17) |
تجویز دارو وظیفه ای است که پزشکان روزانه با هر بیمار روبرو می‌شوند. با این حال، در هنگام تجویز دارو، پزشکان باید از همه عوارض جانبی احتمالی دارو آگاه باشند 1[۱]. عوارض جانبی مرتبط با دارو یا واکنشهای دارویی نامطلوب (به انگلیسی : adverse drug reaction) حوادث مضر ناشی از دارو هستند. ADRها می‌توانند تأثیرات عمیقی بر کیفیت زندگی بیماران و همچنین ایجاد فشار بیشتر بر سیستم مراقبت‌های بهداشتی داشته باشند [۲].رسانه های اجتماعی ، مقدار زیادی از اطلاعات مربوط به استفاده از دارو را از بیماران جمع آوری می کنند ، و برای استخراج واکنش های دارویی نامطلوب مهم هستند [۳]. از آنجایی که کاربران اطلاعات ارزشمندی در مورد جنبه های مختلف زندگی خود ، از جمله مراقبت های بهداشتی، اثرات جانبی ناشناخته ناشی از یک دارو و ... منتشر می کنند. بنابراین ، تشخیص واکنشهای دارویی نامطلوب از رسانه های اجتماعی به یکی از ابزارهای واقعی داروسازی تبدیل می شود [۴].
مقدمه[ویرایش]
تشخیص عوارض دارویی یکی از اصلی ترین کارها در صنعت داروسازی است. قبل از انتشار دارو ، تعدادی کارآزمایی بالینی به منظور تشخیص عوارض جانبی انجام می شود که بیشتر در دستورالعمل دارو است. با این حال ، آزمایشات بالینی اجازه نمی دهد که تمام عوارض جانبی دارو را شناسایی کنند ، زیرا برخی از آنها پس از مصرف طولانی مدت دارو ظاهر می شوند یا فقط بر روی گروه خاصی از بیماران که در آزمایشات بالینی شرکت نکردند ، تأثیر دارند[۱] بسیاری از عوارض و واکنش دارویی در ارزیابی پس از بازاریابی یافت می شوند. سازمان غذا و داروی ایالات متحده نظارت بر بازاریابی داروهای تأیید شده را کنترل می کند، برای نظارت بر ایمنی، پایگاه داده ای به نام سیستم گزارش دهی رویدادهای جانبی را اداره می کند.وب سایت های رسانه های اجتماعی ، مانند توییتر ، فیس بوک و Google Circle ،بستری در دسترس را برای مصرف کنندگان فراهم می کند تا تجارب خود را با داروهایی که گزارش نمی دهند به ارائه دهنده خدمات درمانی ارائه دهند [۲].این شبکه های اجتماعی می توانند راهها و بسترهای جدیدی را برای برقراری ارتباط بیمار از بیمار فراتر از الگوی سنتی پزشک به بیمار فراهم کنند [۳]. تخمین زده می شود که یک چهارم بیمارانی که از بیماری های مزمن رنج می برند ، تجربیات مرتبط با سلامتی را با یکدیگر در رسانه های اجتماعی به اشتراک بگذارند [۴].
شبکه‌های اجتماعی[ویرایش]
یکی از اولین توانایی‌های و تمایلات انسانی برقراری ارتباط است. شبکه اجتماعی ساختاری اجتماعی است که از گروه‌هایی (عموماً فردی یا سازمانی) تشکیل شده‌است که توسط یک یا چند نوع خاص از وابستگی مانند ایده‌ها و تبادلات مالی، دوستان، خویشاوندان، لینک‌های وب، و سرایت بیماری‌ها (اپیدمولوژی) به هم وصل هستند. تجزیه و تحلیل شبکه‌های اجتماعی فرایند بررسی ساختارهای اجتماعی از طریق استفاده از شبکه‌ها و تئوری نمودار است. این ساختارهای شبکه را از نظر گره‌ها (بازیگران فردی، افراد یا چیزهای درون شبکه) و پیوندها، لبه‌ها یا پیوندها (روابط یا تعامل) مشخص می‌کند که آنها را به هم متصل می‌کند. تحلیل شبکه‌های اجتماعی روابط اجتماعی را با اصطلاحات رأس و یال می‌نگرد. به بیان دیگر، در ساده‌ترین شکل، یک شبکه اجتماعی نگاشتی از تمام یال‌های مربوط، میان رأس‌های مورد مطالعه‌است [۵]. این شبکه‌ها در زمینه‌های مختلفی کاربرد فراوان دارند از جمله حوزه سلامت و مراقبت‌های بهداشتی می‌باشد که بحث گزارش فوق در زمینه استفاده از این شبکه‌ها در زمینه مراقبت بهداشتی و شناسایی واکنشهای نامطلوب دارویی می‌باشد.
عوارض جانبی دارو[ویرایش]
عوارض جانبی دارویی(به انگلیسی : adverse drug event) که توسط سازمان بهداشت جهانی تعریف شده است، پاسخی ناخواسته به یک داروی در دوزهایی که معمولاً در انسان مصرف می شود [۶].عوارض دارویی سلامت عمومی را به شدت تهدید می کند و به دلیل اصلی مرگ درآمده است،تشخیص آن یکی از اصلی ترین کارها در صنعت داروسازی است. عوارض جانبی دارویی را می توان به دو دسته تقسیم کرد: عوارض جانبی دارویی قابل پیشگیری خطاهای دارویی هستند که منجر به آسیب بیمار می شوند ، و ADE های غیر قابل پیشگیری که به آنها واکنش های دارویی نامطلوب گفته می شود [۷].
واکنش های نامطلوب دارویی[ویرایش]
واکنش های نامطلوب دارویی (ADR) توسط سازمان بهداشت جهانی به عنوان پاسخ ناخواسته به دارویی است که در انسان برای درمان استفاده می شود تعریف شده است [۲]. واکنش دارویی نامطلوب به معنای آسیب دیدگی ناشی از مصرف دارو است. این صدمات می تواند از صدمات جزئی مانند بثورات پوستی تا واکنشهای مهم تهدید کننده زندگی گسترش یابد [۸].واکنش های نامطلوب دارویی می توانند تأثیرات عمیقی بر کیفیت زندگی بیماران و همچنین ایجاد فشار بیشتر بر سیستم مراقبت های بهداشتی داشته باشند واکنش های دارویی در دو فاز قبل از بازاریابی و بعد از بازاریابی مورد بررسی قرار می گیرد،در فاز اول به دلیل محدودیت بررسی ها انجام شده نتایج مشخصی را نمیتوان به دست اورد اما در فاز دوم به دلیل اینکه افراد بیشتری از دارو استفاده می کنند واکنش های دقیق تری را می توان به دست آورد.
شناسایی واکنش های نامطلوب دارویی[ویرایش]
واكنش نامطلوب دارويي يكي از ابهامات بسياري است كه در زمينه داروخانه و تشخيص پزشكي به عنوان يك تهديد مهلك در نظر گرفته مي شود. نهایت دقت لازم برای آزمایش یک داروی جدید قبل از معرفی و در دسترس عموم است. اما این کارآزمایی های بالینی به تنهایی برای اطمینان از ایمنی کافی نیست. بسیاری از واکنش ها در مراحل بعدی مصرف کشف می شوند که نمی توان در طول آزمایشات پیش بالینی کشف کرد [۹].از بعد دیگر این نوع واکنش ها دارای بار اقتصادی زیادی می باشند و بر کیفیت زندگی تأثیر می گذارد و نیز عامل اصلی مرگ و میر است [۱۰].
تشخیص واکنش های نامطلوب داوریی در شبکه های اجتماعی[ویرایش]
واکنش های دارویی نامطلوب می تواند عواقب جدی برای بیماران داشته باشد. رسانه های اجتماعی منبع اطلاعاتی مفید برای تشخیص عوارض جانبی ناشناخته از یک دارو است زیرا کاربران اطلاعات ارزشمندی را در مورد جنبه های مختلف زندگی خود ، از جمله مراقبت های بهداشتی ، منتشر می کنند. بنابراین ، تشخیص واکنشهای دارویی نامطلوب از رسانه های اجتماعی به یکی از ابزارهای واقعی داروسازی تبدیل می شود[۴].با توجه به محدودیت های واکنش دارویی نامطلوب در انگیزه تعدادی از محققان ، آزمایشات بالینی و سیستم های نظارت بر ایمنی دارو پس از بازار ، تعدادی از محققان داده های رسانه های اجتماعی را به عنوان منبع اطلاعاتی ADR مورد بررسی قرار داده اند[۱۴].
چالش های کشف واکنش های نامطلوب دارویی در شبکه اجتماعی[ویرایش]
اخیراً رسانه های اجتماعی با توئیتر و فیس بوک به ترتیب بیش از ۳۰۰ میلیون و ۱٫۴ میلیارد کاربر فعال ثبت کرده اند. رسانه های اجتماعی قبلاً در حوزه های مختلف مورد استفاده قرار گرفته اند که کاربرد بالقوه آنها در زمینه داروسازی را نشان می دهد[۱۱]،اما در کنار کاربرد فراوان و بیشمار شبکه های اجتماعی همواره با برخی از چالش ها رو به رو هستیم که میتوان به موارد فوق اشاره نمود:
۱-دسترسی به داده ها:داده های موجود در شبکه های اجتماعی روزانه در حجم زیادی تولید می شود اما امکان دسترسی به این داده فقط با مجوز شرکت های در اختیار می توان از این اطلاعات استفاده کرد که اگر این مجوز داده نشود دچار مشکل خواهیم شد. ۲-عدم استفاده از عبارات فنی[۱۵]: بیشتر کاربران برای گزارش واکنشی که رخ داده است از اصطلاحات عامیانه استفاده می کنند و تطبیق آنها با عبارات فنی و شناسایی واکنش چالشی مشکل است. ۳-خطاهای دستوری[۱۲] :ماهیت غیررسمی رسانه های اجتماعی منجر به شیوع گرامر ضعیف ، اشتباهات املایی ، اختصارات و زبان عامیانه می شود. بیشتر کاربران در انتشار محتوایی که تولید می کنند به دستورات گرامری توجه ندارند و یا گاها از عباراتی استفاده می کنند که موجب خطا می شود و نیز الگوریتم هایی که مورد استفاده قرار می گیرند ممکن است دچار مشکل شود یا نتیجه ای که ارائه می دهند صحت نداشته باشد.۴-حساب های جعلی:یکی از چالش های شبکه های اجتماعی برخط، فراوانی حساب های جعلی در محیط این شبکه ها است که توسط عوامل خودکار کنترل برای اهداف مخرب به کار گرفته می شوند که می توانند با ثبت واکنش های نادرست منفی در نتایج بررسی اختلالال ایجاد کنند.
روش های کشف واکنش های نامطلوب دارویی در شبکه های اجتماعی[ویرایش]
برای کشف واکنش های دارویی در شبکه های اجتماعی از پست و نظرات کاربران بیشتر استفاده می شود و چالش های این حوزه را ذکر کردیم،طیف گسترده از روش هایی که در این خصوص وجود دارد جهت برچسب زنی استفاده می شوند.نمی توان دسته بندی کلی را جهت برچسب زنی ارائه نمود زیرا برحسب هدف و داده های مورد استفاده می تواند متفاوت باشد [۱۳].شمار زیادی از روش های موجود این حوزه در دو دسته روش های آماری سنتی و روش های مبتنی بر شبکه عصبی تقسیم می شوند.برای شناسایی واکنش های دارویی بدون توجه به روش مورد استفاده ابتدا نیازمندیم در گام اول داده هارا پیش پردازش کنیم و در گام دوم برحسب نیاز از روش های طبقه بندی /خوشه بندی استفاده می کنیم [۱۴].جهت کشف و شناسایی واکنش های دارویی بیشتر از داده های در قالب متن استفاده می شود و پیش از آنکه بخواهیم بر اساس این داده هامدل بسازیم و آنها را طبقه بندی کنیم نیازمندیم که پیش پردازشی برروی آنها انجام دهیم سپس بعد از آن بااستفاده از روش هایی که با هدف و کاربرد ما در تناسب است طبقه بندی را انجام می دهیم و پس از آن نتایج را به نحوی تبدیل می کنیم که برای کاربر قابل فهم باشد و بتواند از نتایج استفاده لازم را ببرد(24).
پیش پردازش داده ها[ویرایش]
بیشتر منابعی که در اختیار داریم به صورت تخصصی جمع آوری نشده است و برای استراخ نتایج مطلوب نیازمندیم که پیش از استفاده در روش های طبقه بندی یا خوشه بندی این نوع داده ها به قالب قابل استفاده تبدیل کنیم.فرایند استخراج متون از جمله زیر شاخه های پردازش زبان طبیعی است که متن را برای تجزیه و تحلیل آماری یا کشف الگو آماده می کند [۱۵].از جمله منابع غنی برای شناسایی واکنش های دارویی پست های توییتر می باشد،از جمله پیش پردازش هایی که باید انجام دهیم حذف URL ،حذف نام کاربری،حذف کاراکترهایی از جمله نقل قول (“” ) ،حذف علامت هایی از قبیل ( #,@) می باشد [۱۶].بیشتر کاربران هنگام توییت کردن به دستورات املایی توجهی ندارند به همین دلیل از دیگر گام های پیش پردازش تصیح غلط های املایی است که در این راستا چندین فرهنگ لغت تهیه شده است از جمله میتوان به موارد فوق اشاره نمود:MedDRA,smoke word و... [۱۷].از جمله دیگر مراحل اماده سازی داده ها شامل حذف توییت های غیر از انگلیسی،حذف حروف تکراری که گاها برای نشان دادن شدت احساسات استفاده می شود،حذف کلمات اختصار و ریشه یابی کلمات می باشد[۱۶].
روش های طبقه بندی واکنش[ویرایش]
الگوریتم های یادگیری ماشین را می توان به چهار نوع تقسیم کرد ، یادگیری نظارت شده ، یادگیری بدون نظارت ، یادگیری تحت نظارت و یادگیری تقویتی.الگوریتم های یادگیری نظارت شده هنگامی استفاده می شوند که از متغیر هدف استفاده شده باشد.الگوریتم های یادگیری تحت نظارت وقتی وجود ندارد که متغیر هدف وجود داشته باشد استفاده می شود. الگوریتم های تحت نظارت پشتیبانی می توانند زمانی که متغیر هدف در داده ها دسته ای باشد استفاده شود.یادگیری تقویت هنگامی که متغیر هدف در داده ها مقوله ای باشد یا متغیر هدف وجود نداشته باشد می تواند در داده ها پیاده سازی شود.ازجمله روش های بسیار معروفی که در این زمینه استفاده می شود به شرح ذیل است:
شبکه های عصبی مکرر(به انگلیسی :Recurrent neural network):شبکه های عصبی مکرر ، همچنین به عنوان RNN شناخته می شوند ، طبقه ای از شبکه های عصبی هستند که اجازه می دهند در هنگام داشتن حالتهای پنهان ، از خروجی های قبلی به عنوان ورودی استفاده شود. شبکه های عصبی مکرر /( RNNs )یک کلاس از شبکه های عصبی هستند که به طور طبیعی برای پردازش داده های سری زمانی و سایر داده های متوالی مناسب هستند. در آن اتصالات بین گره ها یک گراف جهت دار در طول یک توالی زمانی تشکیل می دهند. این اجازه می دهد تا رفتار پویا موقتی نشان دهد. RNN ها که از شبکه های عصبی قابل تغذیه به دست می آیند ، می توانند از حالت داخلی (حافظه) خود برای پردازش توالی متغیر ورودی استفاده کنند و این باعث می شود آنها برای کارهایی نظیر شناسایی ، دست نویس مرتبط یا تشخیص گفتار قابل اجرا باشند [۱۸].پس از اینکه این مرحله به اتمام رسید با توجه به نتایجی که از مراحل قبل به دست آمده به شکل جداول یا نمودار به کاربر نشان می دهیم.
شبکه عصبی پیچشی( به انگلیسی : Convolutional neural network):شبکه با یک لایه حلقوی با واحد های اصلاح شده خطی شروع می شود. یک RLU ورودی را می گیرد و اگر بزرگتر از 0 باشد ، ورودی اصلی را برمی گرداند ، در غیر این صورت ، 0 را برمی گرداند.فیلترهای حلقوی معمولاً دارای عرض یکسانی با کلمات بردارها هستند ، بنابراین ، نقشههای ویژگی را تنها با 1 ستون تولید می کنند. سپس شبکه توسط یک لایه استخر حداکثر جمع می شود که حداکثر عنصر را از هر ستون می کشد. لایه آخر یک لایه منبع تغذیه به یک لایه خروجی با هر دو فعال سازی سیگموئید یا نرم افزار بسته به اینکه طبقه بندی باینری یا چند جمله ای است بستگی دارد.[۱۹]
شبکه عصبی تکاملی مکرر(به انگلیسی :Recurrent Convolutional Neural Network):یکی دیگر از معماری هایی که در کار طبقه بندی جمله به نتایج قابل قبولی دست یافته است ، شبکه عصبی مکرر Convolutional (RCNN) است. RCNN همچنین با یک لایه حلقوی مانند CNN آغاز می شود اما به دنبال یک لایه مکرر به جای یک لایه مخلوط حداکثر است. فیلترهای حلقوی همان عرض تعبیه را دارند و به گونه ای اعمال می شوند که خروجی ها دارای همان تعداد ردیف باشند به عنوان input.also از تابع Rectified Linear به عنوان تابع فعال سازی برای لایه کانسیلر استفاده کنید. برای لایه مکرر ، در مرحله زمان t ، گره مکرر ورودی را از خروجی های تولید شده توسط همه فیلترهای حلقوی در ردیف t و مقادیر قبلی در مرحله زمان t - 1. گرفته می شود. برای فعال سازی ، از واحدهای مکرر Gated recurrent استفاده می کنیم. سرانجام گره ها در آخرین مرحله زمانی کاملاً به یک گره منفرد با فعال سازی سیگموئید متصل می شوند تا طبقه بندی باینری ایجاد شود.[۲۰]
شبکه عصبی مکرر تکاملی(به انگلیسی : Convolutional Recurrent Neural Network ):با الهام از RCNN ، ما یک معماری جدید به نام شبکه عصبی مکرر Convolutional Recurrent را معرفی می کنیم که یک لایه حلقوی را در بالای یک لایه مکرر پشته می کند ، که خلاف RCNN است.شهود در پشت این امر این است که لایه مکرر می تواند زمینه های جهانی را قبل از اطلاعات منتقل شده به لایه حلقوی ، ضبط کند. لایه های پیچیده و حداکثر جمع کردن ، جایگزین میانگین سنتی بیش از ویژگی های پنهان یا فقط ویژگی های پنهان در آخرین کلمه در جمله می شوند.[۲۱]
منابع[ویرایش]
- ↑ Alimova ILs , Tutubalina El.
- ↑ Moh Me,Moh Te,Peng Ya,Wu Li.
- ↑ Zeng D, Chen H, Lusch R, Li SH, et al.
- ↑ Liu Ji ,Zhao So ,Wang Ga.
- ↑ محمدرضا کیوانپور،فرانک حسن زاده،محمد مرادی.
- ↑ Stergiopoulos St ,Brown Ca,Felix Th,Grampp Gu ,Getz Ke.
- ↑ Chazard Em, Ficheur Gr, Bernonville St, Luyckx Mi,Beuscart Re.
- ↑ Tanviris La,Hussain Na,Islam Sa,Chakrabarty Am.
- ↑ Hussain, Nadib Islam, Tanvir Apu, Rafik Un Nabi.
- ↑ Tejas K. Patel , Parvati B. Patel.
- ↑ -Harpaz Ra and Ets.
- ↑ Sloane Ri, Osanlou Or, Lewis Da,Bollegala Da,Simon Maskell Si , Pirmohamed Mu.
- ↑ Hong-Jie Daia, b., Chen-Kai Wangc.
- ↑ YingZhangab, S., HuiyingGaoa.
- ↑ Harpaz R, Callahan A, Tamang S, et al.
- ↑ Fan, B., et al.
- ↑ YingZhangab, S., HuiyingGaoa.
- ↑ A. Singh, N. Thakur and A. Sharma.
- ↑ الگو:Huynh, Trung; He, Yulan; Willis, Alistair and Rüger, Stefan
- ↑ الگو:Huynh, Trung; He, Yulan; Willis, Alistair and Rüger, Stefan
- ↑ الگو:Huynh, Trung; He, Yulan; Willis, Alistair and Rüger, Stefan
This article "تشخیص واکنش های نامطلوب دارویی در شبکه های اجتماعی" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:تشخیص واکنش های نامطلوب دارویی در شبکه های اجتماعی. Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.
